CVPR 2023 自动驾驶挑战赛正式启动

近日，CVPR2023自动驾驶挑战赛将正式启动。本次大赛由上海人工智能实验室、清华MARS Lab、华为技术有限公司、商汤科技有限公司、中国惠普有限公司等合作伙伴联合主办。本赛事旨在深入探讨自动驾驶感知决策系统面临的任务和挑战，为全球参赛者提供展示技术与创新的舞台。本次大赛共设四个赛道，集结10万美元奖金池，热忱欢迎自动驾驶领域的学术界及产业界人士积极参与。

近年来，自动驾驶技术发展迅速，对于尖端算法的要求已进入新阶段——将场景识别成细粒度感知结果，将车道识别为中心线，在车道和交通元素之间构建拓扑关系。未来，自动驾驶算法将有赖于感知与决策的紧密结合。本次大赛共设置4个赛道：“OpenLane拓扑关系挑战赛”“在线高精地图构建挑战赛”“三维占据栅格预测挑战赛”和“nuPlan规划挑战赛”，邀请全球自动驾驶领域研究者共同探讨应对新的任务与挑战。为方便参赛者，主办方为每个赛道提供了轻量可用的初始模型，此外还提供了多模态多任务通用大模型InternImage （https://github.com/OpenGVLab/InternImage）作为三个赛道的基础网络，具体代码和参数请密切留意各赛道的 GitHub 仓库。

【赛道介绍】

赛道1：OpenLane拓扑关系挑战赛

Road Genome™数据集是由上海人工智能实验室联合华为诺亚方舟实验室推出的新一代自动驾驶场景结构的感知和推理基准。该数据集面向的不是传统的车道线检测任务，而是专注于抽象的车道概念识别，并在车道和交通元素之间构建拓扑关系，以便于更直接地为下游的行为预测和路径规划模块提供道路结构参考约束。

比赛任务：要求参赛者通过主办方给定的覆盖整个全景视野的多视图图像，提供车道和交通要素的感知结果，同时还需提供车道之间以及车道与交通要素之间的拓扑关系。

• 数据量：约150G

• 参考训练时间：1-2天（8卡3090）

• Baseline（基础版）：https://github.com/OpenDriveLab/OpenLane-V2

• Baseline（进阶版，InternImage）：https://github.com/OpenGVLab/InternImage

OpenLane拓扑关系示例

赛道2：在线高精地图构建挑战赛

比起传统的车道线检测，采用矢量化折线来定义各种地图元素能够更精确地表示复杂的道路结构。基于车载传感器数据，动态构建具有丰富语义的局部高精地图，从而进一步帮助多种下游自动驾驶任务推进。

比赛任务：要求参赛模型基于多视图图像构建出局部高精地图，并提交矢量化输出。评价指标是基于车道分隔线、道路边界和人行横道三个类别的mAP指标。

• 数据量：约200G

• 参考训练时间：1-2天（8卡3090）

• Baseline（基础版）：https://github.com/Tsinghua-MARS-Lab/Online-HD-Map-Construction-CVPR2023

• Baseline（进阶版，InternImage）：https://github.com/OpenGVLab/InternImage

在线高精地图构建示例

赛道3：三维占据栅格预测挑战赛

在数据标注及训练过程中，3D边界框往往不足以描述一般物体，受机器人学概念的启发，可将感知表征描述成对栅格化三维空间的占据情况预测。这一想法在CES 2023和Tesla AI Day 2022上也得到印证。与以三维框为中心的感知表征不同，占据栅格享有描述任意形状实体的灵活性。

比赛任务：要求参赛者根据主办方提供的大规模三维占据栅格数据集，以及既定覆盖360度视角的多相机图像输入，预测出整个场景的栅格化三维空间中每个体素的语义状态。

• 数据量：约30G

• 参考训练时间：1-2天（8卡3090）

• Baseline（基础版）：https://github.com/CVPR2023-Occupancy-Prediction-Challenge/CVPR2023-Occupancy-Prediction-Challenge

• Baseline（进阶版，InternImage）：https://github.com/OpenGVLab/InternImage

三维占据栅格预测示例

赛道4：nuPlan规划挑战赛

为了验证越来越多基于机器学习的运动规划模块的有效性，nuPlan提供了一个大规模带有闭环设置的运动规划训练测试框架。现有公开的轨迹预测基准侧重于短期运动预测，并仅限于开环评估。本次nuPlan挑战赛的关注焦点是，在现实驾驶场景中使用多种性能指标闭环地评估运动规划系统。挑战赛分为开环、闭环（无反应智能体）和闭环（有反应智能体）三种复杂模式。

比赛任务：要求参赛者使用俯视图下交通参与者（车辆、自行车等）和静态障碍物的语义表示，规划车辆在特定时间范围内的未来轨迹。

• 数据量：约1T

• 参考训练时间：3-4天（8卡3090）

• Baseline：https://github.com/motional/nuplan-devkit

nuPlan规划示例

【赛程安排】

*各赛道相关数据访问、评估等内容请参考挑战赛官网https://opendrivelab.com/AD23Challenge.html。

【大赛奖励】

本次比赛总奖金池达10万美元。根据得分，每个赛道决出前两名或三名优胜团队，此外，还将根据创新型分别评出创新奖一名。获奖团队除可获丰厚奖金，还将受邀参加CVPR 2023 Workshop: End-to-End Autonomous Driving - Emerging Tasks and Challenges 的颁奖典礼并进行演讲。

分赛道奖金池（单位：美元）